CS231n深度学习笔记第24页

CS231n-assignment3-Self-Supervised Learning

什么是自我监督学习?现代机器学习需要大量的标记数据。但通常情况下，获取大量人类标记数据是具有挑战性和/昂贵的。有没有一种方法，我们可以让机器自动学习一个模型，可以生成良好的视觉表示，而无需标记数据集?是的，自我监督学习!自我监督学习(SSL)允许模型使用给定数据集中的数据自动学习“好的”表现空间，而不需要标签。具体来说，如果我们的数据集是一堆图像，那么自我监督学习允许模型学习并生成“好的”图像表现

Esaka7·2022-08-27 07:32

CS231n Spring 2017 Module1 翻译学习

CS231nSpring2017Module1翻译学习假期无事，准备入手CS231n。为了每天能学有所成，因此决定自己翻译一下课程的讲义。说实话这算是一种懒人方法了，勤能补拙吧！

iwindruner·2022-08-27 07:00

三、卷积神经网络结构及其发展历程--深度学习EECS498/CS231n

AlexNetOutputsize:通道数和滤波器数量保持一致，均为64H/W=(H-K+2P)/S+1=(227-11+4)/4+1=56Memory(KB):Numberofoutputelements:C*Ｈ*Ｗ＝64*56*56=200704;Bytesperelement=4(for32-bitfloatingpoint).KB=200704*4/1024=784Parameters(k

Anfanger4De·2022-08-27 07:30

HALCON 20.11：深度学习笔记(8)---模型

HALCON20.11：深度学习笔记(8)---模型HALCON20.11.0.0中，实现了深度学习方法。本章解释HALCON中深度学习(DL)模型的一般概念和数据处理。

机器视觉001·2022-08-27 07:28

HALCON 21.11：深度学习笔记---模型(8)

HALCON21.11：深度学习笔记---模型(8)HALCON21.11.0.0中，实现了深度学习方法。本章阐述了HALCON中深度学习(DL)模型的一般概念和数据处理。

机器视觉001·2022-08-27 07:28

2020 cs231n 作业2笔记 PyTorch

PyTorch1、简介pytorch官方文档地址：https://pytorch.org/docs/stable/index.html（用来查pytorch的各种函数）pytorch官方导学地址：https://pytorch.org/tutorials/（上面有很多pytorch的代码例子）作业介绍了三种抽象程度级别的模块APIFlexibilityConvenienceBareboneHigh

cheetah023·2022-08-27 07:54

CS231n-2022 Module1: 神经网络3：Learning之参数更新

目录1.前言2.SGD及各种花式技巧（bellsandwhistles）2.1Vanillaupdate2.2Momentumupdate2.3NesterovMomentum3.Annealingthelearningrate3.1Stepdecay3.2Exponentialdecay3.31/tdecay3.4比较4.二阶方法，Secondordermethods5.Per-paramete

笨牛慢耕·2022-08-27 07:15

【读书笔记】：cs231n(简介)

一cs231n介绍：1、CS231n全称：ConvolutionalNeuralNetworksforVisualRecognition，即面向视觉识别的卷积神经网络。

少杰很帅·2022-08-25 15:03

cs231n-Lecture 6:Hardware and Software

Lecture6:HardwareandSoftwareDeepLearningHardwareDeepLearningSoftwarePyTorchTensorflowDynamicGraphicApplicationsmodelparallel&dataparallelDeepLearningHardwareCPU:centralprocessingunitCPU核心少，每一个核心更快，且更能

dyt2022·2022-08-25 07:00

cs231n_2018_lecture08_notes_nn硬软件平台

CS231n课程从lecture08后面就没有相对官方、认可度高的整理过的笔记了。本文将针对lecture08该PPT做些简单的笔记工作。

is_fight·2022-08-25 07:57

视觉识别：CS231n卷积神经网络

原译文地址请猛戳这里目录：架构概述卷积网络层卷积层池化层归一化层全连接层将全连接层转换为卷积层卷积网络架构层模式层大小模式案例研究LeNetAlexNetZFNetGoogLeNetVGGNet计算考虑其他参考卷积神经网络(CNNs/ConvNets)卷积神经网络与上一章中的普通神经网络非常相似：它们由具有可学习的weights和biases的神经元组成。每个神经元接收一些输入，进行一个点积，并选

__Sunshine__·2022-08-25 07:57

CS231n-assignment2-PyTorch

介绍PyTorch你在这个作业中写了很多代码来提供一整套的神经网络功能。Dropout,BatchNormalization，和2D卷积是计算机视觉中深度学习的主要工具。您还努力使代码高效和向量化。但是，对于本作业的最后一部分，我们将离开您漂亮的代码库，转而迁移到两个流行的深度学习框架之一:PyTorch(或者TensorFlow)为什么我们要使用深度学习框架?我们的代码现在可以在gpu上运行了!

Esaka7·2022-08-25 07:26

CS231n的第三次作业之图像生成：类别，反演和DeepDream

到目前为止，在CS231N中，我们探索的神经网络的所有应用都是具有判别能力的模型，该模型接受输入并经过训练以产生标记的输出。

qq_40178533·2022-08-25 07:24

CS231n: Lecture 9 | CNN Architectures Summary

Lecture9主要讲了一些经典的、比较流行的网络结构，详细讲解了AlexNet、ZFNet、VGGNet、GoogleNet和ResNet。文章目录AlexNet网络详细信息如下AlexNet网络特点ZFNetZFNet网络特点VGGNetVGG16网络详细信息如下VGGNet网络特点GoogleNetGoogleNet网络特点“inception”module“blottleneck”Auxi

困比比·2022-08-25 07:52

CS231n-2022 Module1: 神经网络概要1：Setting Up the Architecture

目录1.前言2.Quickintro3.Modelingoneneuron3.1神经元基本模型3.2Singleneuronasalinearclassifier3.2.1BinarySoftmaxclassifier3.2.2BinarySVMclassifier3.2.3Regularizationinterpretation3.3Commonlyusedactivationfunctions

笨牛慢耕·2022-08-25 07:18

CS231n (winter 2016) : Assignment3

前言：以斯坦福cs231n课程的python编程任务为主线，展开对该课程主要内容的理解和部分数学推导。

CopperDong·2022-08-25 07:11

CS231n-2022 Module1: 神经网络3：Learning之梯度检查

目录1.前言2.使用中心对称方程式（centeredformula）3.使用相对误差进行比较4.使用双精度5.Stickaroundactiverangeoffloatingpoint6.Kinksintheobjective7.只是用少量数据点8.Becarefulwiththestepsizeh9.Gradcheckduringa“characteristic”modeofoperation.

笨牛慢耕·2022-08-25 07:09

【转】 cs231n学习笔记-激活函数-BN-参数优化

1.机器学习流程简介1）一次性设置（Onetimesetup）-激活函数（Activationfunctions）-数据预处理（DataPreprocessing）-权重初始化（WeightInitialization）-正则化（Regularization：避免过拟合的一种技术）-梯度检查（Gradientchecking）2）动态训练（Trainingdynamics）-跟踪学习过程（Baby

Vincent_zbt·2022-08-22 07:30

深度学习笔记二（梯度）

目录梯度消失与梯度爆炸(Vanishing/Explodinggradients)极深的神经网络神经网络的权重初始化梯度值逼近如何计算梯度的数值逼近梯度检验两个梯度梯度是否接近梯度检验的注意事项梯度消失与梯度爆炸(Vanishing/Explodinggradients)训练神经网络，尤其是深度学习所面临的一个问题就是梯度消失与梯度爆炸，即梯度有时非常大（小），甚至以指数级别的速度，可以通过更好地

Savannah913·2022-08-19 07:18

深度学习笔记（三）---梯度检验与高级优化

梯度检验与高级优化众所周知，反向传播算法很难调试得到正确结果，尤其是当实现程序存在很多难于发现的bug时。举例来说，索引的缺位错误（off-by-oneerror）会导致只有部分层的权重得到训练，再比如忘记计算偏置项。这些错误会使你得到一个看似十分合理的结果（但实际上比正确代码的结果要差）。因此，但从计算结果上来看，我们很难发现代码中有什么东西遗漏了。本节中，我们将介绍一种对求导结果进行数值检验的

如今我已剑指天涯·2022-08-19 07:45

[深度学习]动手学深度学习笔记-15

Task6——批量归一化和残差网络15.1批量归一化本节我们介绍批量归一化（batchnormalization）层，它能让较深的神经网络的训练变得更加容易。在（实战Kaggle比赛：预测房价）里，我们对输入数据做了标准化处理：处理后的任意一个特征在数据集中所有样本上的均值为0、标准差为1。标准化处理输入数据使各个特征的分布相近：这往往更容易训练出有效的模型。通常来说，数据标准化预处理对于浅层模型

田纳尔多·2022-08-19 07:12

吴恩达深度学习笔记-布置机器学习项目(第4课)

布置机器学习项目一、训练集/验证集/测试集二、偏差与方差三、机器学习基础四、正则化五、为什么正则化可以减少过拟合？六、Dropout正则化七、理解Dropout八、其他正则化方法九、归一化输入十、梯度消失与梯度爆炸十一、神经网络的权重初始化十二、梯度的数值逼近十三、梯度检验十四、关于梯度检验实现的注意事项一、训练集/验证集/测试集划分数据为训练集、验证集和测试集可以减少确定超参数的迭代过程。在有1

郭少的研究生笔记·2022-08-19 07:04

吴恩达深度学习笔记 4.1~4.8 深层神经网络

之前一章讲了浅层神经网络,这一章讲的是深层神经网络深层神经网络与浅层神经网络的区别是:隐藏层比浅层神经网络多,从命名规则上来说,有1,2,5个隐藏层的神经网络可以称为1hiddenlayer,2hiddenlayers,5hiddenlayers深层神经网络中的正向传播与之前举例的浅层神经网络一样,只是层数变得更多了,如下所示:对于每一层的正向传播我们可以用一个公式表示:其中L表示层数,g表示激活

banghu8816·2022-08-16 07:07

深度学习笔记------Mask-RCNN

目录1，概述2，ResNet-FPN3,ROIAlign4,mask5，训练及预测6，损失1，概述MaskRCNN沿用了FasterRCNN（https://blog.csdn.net/YOULANSHENGMENG/article/details/121850364）的思想，特征提取采用ResNet-FPN的架构，另外多加了一个Mask（用于生成物体的掩模）预测分割分支。如下图1所示。其中黑色部

YOULANSHENGMENG·2022-08-16 07:37

深度学习笔记-----多输入网络（Siamese网络,Triplet网络）

目录1，什么时候需要多个输入2，常见的多输入网络2.1Siamese网络(孪生网络)2.1Triplet网络1，什么时候需要多个输入深度学习网络一般是输入都是一个，或者是一段视频切片，因为大部分的内容是对一张图像或者一段视频内容进行分析。但是也有任务需要输入图像对来得到相对结果，比如检测两个图像的相似度，通过目标跟踪得到相对位置。还有些网络也可以输入多张图像进行多尺度的特征提取。比如图像检测，目标

YOULANSHENGMENG·2022-08-16 07:37

吴恩达深度学习笔记- lesson4 卷积神经网络

文章目录Week1卷积神经网络基础4.1.1计算机视觉（Computervision）4.1.2边缘检测示例（Edgedetectionexample）4.1.3更多边缘检测内容（Moreedgedetection）4.1.4Padding3.1.5卷积步长（Stridedconvolutions）4.1.6三维卷积（Convolutionsovervolumes）4.1.7单层卷积网络（Onel

廖梓强·2022-08-13 09:12

吴恩达深度学习笔记01——神经网络和深度学习2浅层神经网络

PS：梯度下降法（GradientDescent）是神经网络的核心方法，用于更新神经元之间的权重，以及每一层的偏置；反向传播算法（Back-PropagationAlgorithm）则是一种快速计算梯度的算法，将梯度反向传播回去，从而能够使得梯度下降法得到有效的应用。一、神经网络表示竖向堆叠起来的输入特征被称作神经网络的输入层（theinputlayer）。神经网络的隐藏层（ahiddenlaye

阿尔基亚·2022-08-13 09:11

吴恩达深度学习笔记01——神经网络和深度学习1

实现一个神经网络时，如果需要遍历整个训练集，并不需要直接使用for循环。神经网络的计算过程中，通常有一个正向过程（forwardpass）或者叫正向传播步骤（forwardpropagationstep），接着会有一个反向过程（backwardpass）或者叫反向传播步骤（backwardpropagationstep）。一、Logistic回归Logistic回归是一个用于二分分类的算法。（二分

阿尔基亚·2022-08-13 09:11

吴恩达深度学习笔记-单层神经网络(第2课)

深度学习笔记1、神经网络概览2、神经网络表示3、计算神经网络的输出4、多个样本的向量化5、向量化实现的解释6、激活函数7、为什么需要非线性激活函数？

郭少的研究生笔记·2022-08-13 09:40

吴恩达深度学习笔记——卷积神经网络基础（1）

参考吴恩达深度学习视频和CSDN笔记https://blog.csdn.net/red_stone1/article/details/78651063P108ComputerVisionCV主要包括以下几类:图像分类目标检测图片风格迁移使用传统神经网络处理机器视觉的主要问题是输入层的维数过大，这使得权重矩阵非常庞大，使得网络结构复杂，数据量大，容易出现过拟合；内存、计算量大。解决这一问题的方法就是

Deserant·2022-08-13 09:40

吴恩达深度学习笔记（一）——神经网络基础、 logistic 回归

观看了吴恩达老师的深度学习公开课，总结了部分个人觉得有益的知识点。参考链接一、数据结构当编写神经网络程序时，就不要用这种秩为1的数据结构，如shape等于(n,)，或者是一维数组时。两对方括号和一对方括号，这就是1行5列的矩阵和一维数组的差别。二.隐藏层的含义三、L1W2作业3.1作业代码参考链接1参考链接2importnumpyasnpimportmatplotlib.pyplotaspltim

子非鱼icon·2022-08-13 09:10

CS231n笔记一：图像分类

一、数据驱动方法adata-drivenapproach:1、collectadatasetofimagesandlabels2、利用机器学习totrainaclassifier3、evaluatetheclassifieronnewimages有两个函数：1、训练函数：输入图片和标签，输出是一个模型2、预测函数：输入一个模型，makepredictionsfortheimages二、最近邻算法n

兮兮Cici_Melon·2022-08-13 07:08

<转载>CS231n课程学习笔记

CS231n课程学习笔记CS231n网易云课堂链接CS231n官方笔记授权翻译总集篇发布-智能单元-知乎专栏https://zhuanlan.zhihu.com/p/21930884CS231n课程笔记翻译

tang-0203·2022-08-13 07:02

深度学习笔记（四）（1）卷积神经网络

深度学习笔记（四）（1）卷积神经网络返回目录终于到了。。。。1.1计算机视觉（Computervision）图象识别、目标检测、风格迁移。

瞲_大河弯弯·2022-08-13 07:54

CS231n 图像分类笔记

1.图像分类的任务，就是对于一个给定的图像，在一个固定的分类标签集合中，预测它属于的那个分类标签（或者给出属于一系列不同标签的可能性）。2.图像是3维数组，数组元素是取值范围从0到255的整数。数组的尺寸是宽度x高度x3，其中这个3代表的是红、绿和蓝3个颜色通道。也就是是图像数组包括了：宽度x高度x3这么多个数字，我们的任务就是把这些上百万的数字变成一个简单的标签，比如“猫”。3.数据驱动方法：图

荷叶田田_·2022-08-13 07:53

cs231n-学习笔记-01图像分类

1图像分类1.1介绍图像分类是计算机视觉中一个核心的任务。1.2问题现实图像与计算机识别之间的语义鸿沟？一幅图像仅仅是一堆介于0-255之间数组成的表。**图像是一个由数字组成的巨大的3维数组。0表示全黑，255表示全白。1.3挑战①视角变化，图像发生细微的变化，所有的像素点就会与之对应发生改变②图像的曝光度，③图像的变形，④图像的遮挡物，⑤图像背景的干扰，⑥物种演化，1.4图像分类器defcla

cheertt·2022-08-13 07:20

CS231N图像分类笔记总结

图像分类笔记的总结本文是自己对CS231N课程笔记的阅读后的一些总结。

lizhixiaoqingnian·2022-08-13 07:49

CS231n课程笔记：图像分类笔记（上）

本专题转载知乎CS231n的全称是CS231n:ConvolutionalNeuralNetworksforVisualRecognition，即面向视觉识别的卷积神经网络。

量子孤岛·2022-08-13 07:47

深度学习笔记第四门课卷积神经网络第一周卷积神经网络基础

本文是吴恩达老师的深度学习课程[1]笔记部分。作者：黄海广[2]主要编写人员：黄海广、林兴木（第四所有底稿，第五课第一二周，第三周前三节）、祝彦森:（第三课所有底稿）、贺志尧（第五课第三周底稿）、王翔、胡瀚文、余笑、郑浩、李怀松、朱越鹏、陈伟贺、曹越、路皓翔、邱牧宸、唐天泽、张浩、陈志豪、游忍、泽霖、沈伟臣、贾红顺、时超、陈哲、赵一帆、胡潇杨、段希、于冲、张鑫倩参与编辑人员：黄海广、陈康凯、石晴路

风度78·2022-08-13 07:47

CS231n课程笔记：图像分类笔记（下）

用于超参数调优的验证集k-NN分类器需要设定k值，那么选择哪个k值最合适的呢？我们可以选择不同的距离函数，比如L1范数和L2范数等，那么选哪个好？还有不少选择我们甚至连考虑都没有考虑到（比如：点积）。所有这些选择，被称为超参数（hyperparameter）。在基于数据进行学习的机器学习算法设计中，超参数是很常见的。一般说来，这些超参数具体怎么设置或取值并不是显而易见的。你可能会建议尝试不同的值，

量子孤岛·2022-08-13 07:47

CS231N学习笔记-图像分类

仅供自己学习记录参考注：感谢B站up主，同济子豪兄的优质课程【子豪兄】精讲CS231N斯坦福计算机视觉公开课（2020最新）_哔哩哔哩_bilibili第二讲图像分类概述目标检测等方向本质是图像分类一个通道由三个

麻花地·2022-08-13 07:45

【2017cs231n】课程笔记02：图像分类

【2017cs231n】课程笔记-第2讲：图像分类搜索微信公众号:‘AI-ming3526’或者’计算机视觉这件小事’获取更多算法、机器学习干货csdn：https://blog.csdn.net/baidu

xiaoming3526·2022-08-13 07:44

CS231N课程笔记学习一——图像分类

不得不说，cs213n课程是真的难，开始小哥哥讲损失函数，回归模型，我还勉强跟上，后来小姐姐讲课，我真的——人傻了/(ㄒoㄒ)/~~，但是斯坦福大学的课程不能不上啊（尽管对牛弹琴），所以在网上寻找资源，开始“自学”。。。1.图像分类图像分类问题，就是已有固定的分类标签集合，然后对于输入的图像，从分类标签集合中找出一个分类标签，最后把分类标签分配给该输入图像。计算机视觉领域中很多看似不同的问题（比如

兴安仓鼠·2022-08-13 07:42

2017CS231n学习笔记1-图像分类

文章目录2图像分类2.1数据驱动方法第一个分类器:最近邻分类器L1距离（曼哈顿距离）最近邻分类器Python代码2.2K-最邻近算法L2距离（欧氏距离）k-NearestNeighbor分类器（KNN）实际应用k-NN2.3线性分类器2图像分类2.1数据驱动方法步骤step1：收集图像和标签的数据集Collectadatasetofimagesandlabelsstep2：使用机器学习来训练分类器

JieeRi·2022-08-13 07:41

CS231n课程笔记翻译：图像分类笔记（上）

CS231n课程笔记翻译：图像分类笔记（上）-知乎专栏原文如下这是一篇介绍性教程，面向非计算机视觉领域的同学。教程将向同学们介绍图像分类问题和数据驱动方法。

dby_freedom·2022-08-13 07:10

cs231n图像分类笔记（上）学习记录

前言：学习内容是斯坦福大学的《面向计算机视觉的卷积神经网络》课程，课程代码cs231n，原文链接是StanfordUniversityCS231n:DeepLearningforComputerVision

法拉不会飞·2022-08-13 07:38

深度学习笔记（2）--slim框架

今天我发现一个tensorlfow框架--slim它包装了一些基本的tensorflow的操作：比如说卷积：layers=sli.conv2d(self.X,num_outputs=32,kernel_size=1,stride=[1,1])比如说标准化处理Bn1=sli.batch_norm(Fist_op)还有weight=sli.variable(name='weights3',shape=

zhao9642·2022-08-09 09:43

吴恩达深度学习笔记

你将学习本系列课程(专业):神经网络和深度学习改进深度神经网络:超参数调优、正则化和优化构建你的机器学习项目吨/德卷积神经网络端到端自然语言处理:建立序列模型RNN,LSTM我的目标理解深度学习基本原理常用算法流程常用术语不求算术推导不求算术推导不求算术推导使用深度学习框架入门介绍例1房价预测模型输入映射输出监督学习有价值的图像卷积序列CNN时间序列语言序列RNNRNNS深度学习神经网络数据量和质

reno_yuan·2022-08-08 07:22

吴恩达深度学习笔记-第三课：结构化机器学习项目

lesson3结构化机器学习项目文章目录lesson3结构化机器学习项目Week1机器学习（ML策略）(1)3.1.1为什么是ML策略？（WhyMLStrategy?）3.1.2正交化（Orthogonalization）3.1.3单一数字评估指标（Singlenumberevaluationmetric）3.1.4满足和优化指标（Satisficingandoptimizingmetrics）3

廖梓强·2022-08-08 07:42

深度学习笔记---多尺度网络结构归类总结

目录1.什么是图像金字塔1.1高斯金字塔(Gaussianpyramid):1.2拉普拉斯金字塔（Laplacianpyramid）1.3DOG金字塔2.多尺度网络（MTCNN）2.1多尺度输入网络2.2多尺度特征融合网络2.2.1并行多分支网络2.2.2串行的跳层连接网络3，多尺度特征预测融合网络3.1SSD网络3.2SSH网络4，多尺度特征和预测融合网络4.1不同多尺度特征及预测方式的对比4.

YOULANSHENGMENG·2022-08-08 07:08

推荐频道

CS231n深度学习笔记